CN111528900A - 基于巴特沃斯滤波器与香农熵法的心音分段方法和装置 - Google Patents
基于巴特沃斯滤波器与香农熵法的心音分段方法和装置 Download PDFInfo
- Publication number
- CN111528900A CN111528900A CN202010435150.0A CN202010435150A CN111528900A CN 111528900 A CN111528900 A CN 111528900A CN 202010435150 A CN202010435150 A CN 202010435150A CN 111528900 A CN111528900 A CN 111528900A
- Authority
- CN
- China
- Prior art keywords
- heart sound
- sub
- time point
- sound signal
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000011218 segmentation Effects 0.000 title claims abstract description 55
- 230000005236 sound signal Effects 0.000 claims abstract description 283
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 36
- 238000010606 normalization Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 9
- 208000024172 Cardiovascular disease Diseases 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 208000037656 Respiratory Sounds Diseases 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 238000002555 auscultation Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000005242 cardiac chamber Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000003709 heart valve Anatomy 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000023718 relaxation of cardiac muscle Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Veterinary Medicine (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pulmonology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了基于巴特沃斯滤波器与香农熵法的心音分段方法和装置，用于解决现有的心音分段方法受噪声影响导致分段错误的问题。本发明包括：获取初始心音信号；采用巴特沃斯滤波器对初始心音信号进行滤波，得到预处理心音信号；采用香农熵法对预处理心音信号进行包络提取，得到心音包络信号；心音包络信号包括第一心音信号和第二心音信号；采用预设的第一阈值和第二阈值，在心音包络信号中确定第一心音信号或第二心音信号的起始时间点和终止时间点；采用起始时间点和终止时间点对心音包络信号进行分段。通过本发明实施例，解决现有的心音分段方法受噪声影响导致分段错误的问题。
Description
技术领域
本发明涉及心音分段技术领域，尤其涉及一种基于巴特沃斯滤波器与香农熵法的心音分段方法和装置。
背景技术
心血管疾病是长期以来严重危害人类生命健康安全的全球头号杀手，心血管疾病死亡人数在全球疾病死亡人数中的占比居高不下。通过辅助诊断及早发现和干预是减少心血管疾病给人类生命健康带来损害的最佳方法，而心音信号分析便是心血管疾病最常用的辅助诊断方法之一。
心音是指由心肌收缩与舒张、心脏瓣膜启闭、血液撞击心室壁以及大动脉壁等引起的震动所产生的声音。心音信号能反映心脏及大血管的机械活动情况，在一些心血管疾病尚未发展到出现临床症状与病理性形态改变时，心音信号中便可能出现异常声音信号。心音分析的传统方法是借助听诊器进行听诊并识别判断，但受限于医生的听诊水平和噪声的影响，这种判断的精确度比较差。随着信号处理等技术的发展，心音分析开始进入了定量分析的阶段。心音分段是心音分析的基础，心音分段能获得心率、识别心音中的各个独立成分，为后续的特征提取和模式识别提供定位基准。
现有的心音分段方法能得到较为平滑的心音包络，分析效果良好，但是其对于噪声较为敏感，极易受肺音、仪器噪声、环境噪声等杂音的影响，造成分段错误。
发明内容
本发明提供了一种基于巴特沃斯滤波器与香农熵法的心音分段方法，用于解决现有的心音分段方法受噪声影响导致分段错误的问题。
本发明提供的一种基于巴特沃斯滤波器与香农熵法的心音分段方法，包括：
获取初始心音信号；
采用所述巴特沃斯滤波器对所述初始心音信号进行滤波，得到预处理心音信号；
采用所述香农熵法对所述预处理心音信号进行包络提取，得到心音包络信号；所述心音包络信号包括第一心音信号和第二心音信号；
采用预设的第一阈值和第二阈值，在所述心音包络信号中确定所述第一心音信号或所述第二心音信号的起始时间点和终止时间点；
采用所述起始时间点和所述终止时间点对所述心音包络信号进行分段。
可选地，所述采用所述香农熵法对所述预处理心音信号进行包络提取，得到心音包络信号的步骤，包括：
归一化所述预处理心音信号，得到归一化心音信号；所述归一化心音信号包括多个子归一化心音信号；
分别计算每个所述子归一化心音信号的子平均高阶香农熵，生成子平均高阶香农熵序列；
计算所述子平均高阶香农熵序列的平均值和标准差，并采用所述子平均高阶香农熵序列、所述平均值和所述标准差计算所述预处理心音信号的归一化平均高阶香农熵；
将所述归一化平均高阶香农熵作为所述归一化心音信号的包络，得到心音包络信号。
可选地，所述分别计算每个所述子归一化心音信号的子平均高阶香农熵，生成子平均高阶香农熵序列的步骤，包括：
分别对每个所述子归一化心音信号进行采样，确定每个所述子归一化心音信号的采样点数；
统计每个所述子归一化心音信号的重叠采样点数；
分别采用每个所述子归一化心音信号的采样点数，和每个所述子归一化心音信号的重叠采样点数，计算每个所述子归一化心音信号的子平均高阶香农熵；
采用多个所述子归一化心音信号的子平均高阶香农熵生成子平均高阶香农熵序列。
可选地，所述采用预设的第一阈值和第二阈值，在所述心音包络信号中确定所述第一心音信号或所述第二心音信号的起始时间点和终止时间点的步骤，包括：
以所述心音包络信号中，幅值为所述第一阈值的点的时间为基准时间点，获取所述基准时间点一侧幅值为所述第二阈值的点的时间为起始时间点；
获取所述基准时间点另一侧幅值为所述第二阈值的点的时间为终止时间点；
其中，所述起始时间点小于所述终止时间点。
可选地，所述采用所述起始时间点和所述终止时间点对所述心音包络信号进行分段的步骤，包括：
将从所述起始时间点到所述终止时间点之间的所述心音包络信号的幅值设置为预设的第三阈值，将未设置为所述第三阈值的所述心音包络信号的幅值设置为预设的第四阈值，采用所述第三阈值和所述第四阈值对所述心音包络信号进行分段。
本发明提供的一种基于巴特沃斯滤波器与香农熵法的心音分段装置，包括：
初始心音信号获取模块，用于获取初始心音信号；
预处理心音信号生成模块，用于采用所述巴特沃斯滤波器对所述初始心音信号进行滤波，得到预处理心音信号；
心音包络信号生成模块，用于采用所述香农熵法对所述预处理心音信号进行包络提取，得到心音包络信号；所述心音包络信号包括第一心音信号和第二心音信号；
起始时间点和终止时间点确定模块，用于采用预设的第一阈值和第二阈值，在所述心音包络信号中确定所述第一心音信号或所述第二心音信号的起始时间点和终止时间点；
分段模块，用于采用所述起始时间点和所述终止时间点对所述心音包络信号进行分段。
可选地，所述心音包络信号生成模块，包括：
归一化心音信号生成子模块，用于归一化所述预处理心音信号，得到归一化心音信号；所述归一化心音信号包括多个子归一化心音信号；
子平均高阶香农熵序列生成子模块，用于分别计算每个所述子归一化心音信号的子平均高阶香农熵，生成子平均高阶香农熵序列；
归一化平均高阶香农熵计算子模块，用于计算所述子平均高阶香农熵序列的平均值和标准差，并采用所述子平均高阶香农熵序列、所述平均值和所述标准差计算所述预处理心音信号的归一化平均高阶香农熵；
心音包络信号获取子模块，用于将所述归一化平均高阶香农熵作为所述归一化心音信号的包络，得到心音包络信号。
可选地，所述归一化心音信号生成子模块，包括：
采样点数确定单元，用于分别对每个所述子归一化心音信号进行采样，确定每个所述子归一化心音信号的采样点数；
重叠采样点数统计单元，用于统计每个所述子归一化心音信号的重叠采样点数；
子平均高阶香农熵计算单元，用于分别采用每个所述子归一化心音信号的采样点数，和每个所述子归一化心音信号的重叠采样点数，计算每个所述子归一化心音信号的子平均高阶香农熵；
子平均高阶香农熵序列生成单元，用于采用多个所述子归一化心音信号的子平均高阶香农熵生成子平均高阶香农熵序列。
可选地，所述起始时间点和终止时间点确定模块，包括：
起始时间点确定子模块，用于以所述心音包络信号中，幅值为所述第一阈值的点的时间为基准时间点，获取所述基准时间点一侧幅值为所述第二阈值的点的时间为起始时间点；
终止时间点确定子模块，用于获取所述基准时间点另一侧幅值为所述第二阈值的点的时间为终止时间点；其中，所述起始时间点小于所述终止时间点。
可选地，所述分段模块，包括：
分段子模块，用于将从所述起始时间点到所述终止时间点之间的所述心音包络信号的幅值设置为预设的第三阈值，将未设置为所述第三阈值的所述心音包络信号的幅值设置为预设的第四阈值，采用所述第三阈值和所述第四阈值对所述心音包络信号进行分段。
从以上技术方案可以看出，本发明具有以下优点：本发明在采用香农熵法提取心音包络信号之前，先采用巴特沃斯滤波器对初始心音信号进行滤波，通过巴特沃斯滤波器消除噪声与杂音，避免噪声和杂音对包络提取的影响，使得通过香农熵法进行包络提取时能够得到平滑分布、可识别性高的心音包络信号；再通过获取第一心音信号和第二心音信号的起始时间点和终止时间点，完成心音分段，提高了分段的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于巴特沃斯滤波器与香农熵法的心音分段方法的步骤流程图；
图2为本发明另一实施例提供的一种基于巴特沃斯滤波器与香农熵法的心音分段方法的步骤流程图；
图3为本发明实施例提供的一种信号变化示意图；
图4为本发明实施例构造时间门的流程图；
图5为本发明实施例提供的一种基于巴特沃斯滤波器与香农熵法的心音分段装置的结构框图。
具体实施方式
本发明实施例提供了一种基于巴特沃斯滤波器与香农熵法的心音分段方法，用于解决现有的心音分段方法受噪声影响导致分段错误的问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种基于巴特沃斯滤波器与香农熵法的心音分段方法的步骤流程图。
本发明提供的一种基于巴特沃斯滤波器与香农熵法的心音分段方法，包括：
步骤101，获取初始心音信号；
心音信号是指由心肌收缩与舒张、心脏瓣膜启闭、血液撞击心室壁以及大动脉壁等引起的振动所产生的声音信号。心音信号能反映心脏及大血管的机械活动情况，在一些心血管疾病尚未发展到出现临床症状与病理性形态改变时，心音信号中便可能出现异常声音信号。
初始心音信号是直接从人体采集到的未经过处理的心音信号，初始心音信号包括心动周期产生的心音信号、以及体内肺音、呼吸道音和仪器、环境等噪声等。
需要说明的是，一个心动周期产生四个心音信号，分别是第一心音信号、第二心音信号、第三心音信号和第四心音信号。第一心音信号标志着心室收缩期的开始，第二心音信号标志着心室舒张期的开始，第三心音信号和第四心音信号都出现在舒张期。由于第三心音信号和第四心音信号较为微弱，听诊一般只能听到第一心音信号和第二心音信号，所以心音分段的研究对象主要是第一心音信号和第二心音信号。
步骤102，采用所述巴特沃斯滤波器对所述初始心音信号进行滤波，得到预处理心音信号；
在实际应用中，直接采集到的未经过处理的心音信号会受到因呼吸、身体移动及其他环境因素引起的噪声和高频杂音的影响，因此在得到心音信号后需要首先对心音信号进行预处理，以消除噪声和高频杂音的影响。
在本发明实施例中，在获取了初始心音信号后，通过将初始心音信号输入巴特沃斯滤波器进行滤波，来消除噪声和高频杂音的影响，得到预处理心音信号。
巴特沃斯(Butterworth)滤波器既能有效去除噪声又能保持信号时间局部性好、能量集中度高，其特点是通频带内的频率响应曲线最大限度平坦，没有起伏，而在阻频带则逐渐下降为零。在振幅的对数对角频率的波特图上，从某一边界角频率开始，振幅随着角频率的增加而逐步减少，趋向负无穷大。
步骤103，采用所述香农熵法对所述预处理心音信号进行包络提取，得到心音包络信号；所述心音包络信号包括第一心音信号和第二心音信号；
在去噪后的基础上对预处理心音信号进行分段定位，目前研究表明，对心音进行分段定位需要利用包络提取的方法，该方法能够清楚地得到心音波形的形状特征，从而能够得到心音的不同分段。在本发明实施例中，选择香农熵法对预处理心音信号进行包络提取，以得到心音包络信号。
包络是由许多椭圆形曲线交织而成的一种图形。在信号处理领域，包络是随机过程的振幅随着时间变化的曲线。本发明实施例通过香农熵法能够得到较为平滑的心音包络曲线。由于心音分段的研究对象主要是第一心音信号和第二心音信号，因此，本发明实施例的心音包络信号中包括了第一心音信号和第二心音信号。
步骤104，采用预设的第一阈值和第二阈值，在所述心音包络信号中确定所述第一心音信号或所述第二心音信号的起始时间点和终止时间点；
通过巴特沃斯滤波器对心音信号进行预处理，并进行心音包络提取处理后，可以得到平滑的心音包络。在本发明实施例中，以时间门的形式来体现心音的能量分布，时间门的起点与终点基本可以作为第一心音信号与第二心音信号起始时间点和终止时间点的参考点。因此在本发明实施例中可以通过时间门来进行心音包络信号的分段。本发明实施例采用预设的第一阈值和第二阈值，来确定第一心音信号或第二心音信号的起始时间点和终止时间点，进而构造第一心音信号和第二心音信号的时间门。
需要说明的是，心音包络信号上幅值满足第一阈值和第二阈值的点不止一个，因此在本发明实施例中，确定的起始时间点和终止时间点也不止一个，相应地，构成而成的时间门也不止一个，本发明实施例正是通过构造多个时间门来实现心音分段的技术效果。
步骤105，采用所述起始时间点和所述终止时间点对所述心音包络信号进行分段。
在确定了第一心音信号或第二心音信号的起始时间点或终止时间点后，可以采用该起始时间点和终止时间点构造时间门，以完成心音分段。
本发明在采用香农熵法提取心音包络信号之前，先采用巴特沃斯滤波器对初始心音信号进行滤波，通过巴特沃斯滤波器消除噪声与杂音，避免噪声和杂音对包络提取的影响，使得通过香农熵法进行包络提取时能够得到平滑分布、可识别性高的心音包络信号；再通过获取第一心音信号和第二心音信号的起始时间点和终止时间点，完成心音分段，提高了分段的准确率。
请参阅图2，图2为本发明另一实施例提供的一种基于巴特沃斯滤波器与香农熵法的心音分段方法的步骤流程图。
本发明提供的一种基于巴特沃斯滤波器与香农熵法的心音分段方法，包括：
步骤201，获取初始心音信号；
如图3的初始心音信号图所示，初始心音信号为具有毛刺的不规律信号。包括心动周期产生的心音信号、以及体内肺音、呼吸道音和仪器、环境等噪声等。
步骤202，采用所述巴特沃斯滤波器对所述初始心音信号进行滤波，得到预处理心音信号；
在实际应用中，直接采集到的未经过处理的初始心音信号会受到因呼吸、身体移动及其他环境因素引起的噪声和高频杂音的影响，因此在得到初始心音信号后需要首先对心音信号进行预处理，以消除噪声和高频杂音的影响。
在本发明实施例中，选择使用巴特沃斯滤波器进行滤波，来消除噪声和高频杂音的影响，得到预处理心音信号。由于心音分段的研究对象主要是第一心音信号和第二心音信号，第一心音信号的频率成分主要集中在50～150Hz，第二心音信号的频率成分主要集中在50～200Hz，250～300Hz出现第二个小峰值。因此，本发明通过巴特沃斯滤波器对初始心音信号进行滤波来获取250～200Hz的滤波信号。
需要说明的是，通过巴特沃斯滤波器对初始心音信号进行预处理不仅可以消除噪声和高频杂音，还可以选取第一心音信号、第二心音信号能量相对较集中的频段进行处理，提高处理效率与处理准确度。
以下对通过巴特沃斯对初始心音信号进行预处理的过程进行说明：
首先通过如公式1所示的传递函数来获取巴特沃斯传递函数系数：
其中，a，b为巴特沃斯传递函数系数，z为z域。
接着通过公式2的传递函数将零极点增益滤波器参数转换为二阶系统级联SOS的二阶部分形式：
其中，k为传递函数中的增益，z为z域，z1、z2...zn为零点参数，p1、p2...pn为极点参数。零极点增益滤波器是巴特沃斯滤波器的组成部分。
之后采用巴特沃斯传递函数系数和通过公式2转换成的二阶系统级联矩阵SOS的二阶部分形式，生成SOS矩阵：
其中，b01、b02...b0l，b11、b21...b0l，b21、b22...b2l，a01、a02...a0l，a11、a12...a1l，a21、a22...a2l均为级联系数。
最后创建离散时间滤波器，通过矩阵SOS对输入的初始心音信号进行滤波，以去除环境噪声和高频杂音，得到预处理心音信号。其中离散型时间滤波器为巴特沃斯滤波器的组成部分。
步骤203，采用所述香农熵法对所述预处理心音信号进行包络提取，得到心音包络信号；所述心音包络信号包括第一心音信号和第二心音信号；
在本发明实施例中，步骤203包括以下子步骤：
S11，归一化所述预处理心音信号，得到归一化心音信号；所述归一化心音信号包括多个子归一化心音信号；
香农熵法提取心音包络信号首先需要对预处理心音信号进行归一化处理，得到归一化信号。归一化可以简化计算，将有量纲的表达式转换为无量纲的表达式，成为标量，具体可以通过公式4对预处理心音信号进行归一化处理：
其中，Value*是归一化心音信号，Value是预处理信号的幅值，|Max(Value)|是预处理心音信号最大幅值的绝对值。
预处理心音信号进行归一化处理后，需要对归一化心音信号进行分段，得到多个子归一化心音信号，分段原则为每32个信号点为1段，重叠16点。重叠方式为每1段的后16点为下一段子归一化信号的前16点。
S12，分别计算每个所述子归一化心音信号的子平均高阶香农熵，生成子平均高阶香农熵序列；
在对归一化心音信号进行分段后，分别对每个子归一化心音信号进行采样，确定每个子归一化心音信号的采样点数；统计每个子归一化心音信号的重叠采样点数；分别采用每个子归一化心音信号的采样点数，和每个子归一化心音信号的重叠采样点数，计算每个子归一化心音信号的子平均高阶香农熵；采用多个子归一化心音信号的子平均高阶香农熵生成子平均高阶香农熵序列。
每一段子归一化信号的子平均高阶香农熵具体通过下述公式5计算得出：
其中，Ehs(k)为第k段子归一化心音信号的子平均高阶香农熵，x为归一化后的信号幅值，N为子归一化心音信号的采样点数，M为重叠的采样点数，n为子平均高阶香农熵的阶次，Lk为第k为子归一化心音信号。
由公式5可求出每段子归一化心音信号的子平均高阶香农熵，进而构成多个子归一化心音信号的子平均高阶香农熵序列{Ehs(k)}序列。
需要说明的是，高阶香农熵的阶次n取值越大，对低强度信号的削弱作用相比高强度信号越明显，因此n越大对杂音的削弱效果越好，但过高的阶次不仅会影响计算效率，而且削弱杂音的同时会削弱强度较低的第二心音信号。经研究数据显示，n取值越大，包络越平滑，但同时第二心音信号的包络幅值也越小，甚至一些第二心音包络将无法识别，所以出于对包络的平滑程度和可识别性考虑，当n＝3时信号包络的效果最好，因此取高阶香农熵阶次n＝3。
此外，由于本发明是要按照时间对心音包络信号进行分段，因此需要将子平均高阶香农熵序列{Ehs(k)}转换为时域的子平均高阶香农熵序列{Ehs(t)}。
具体地，分段参数k与时间t存在如下关系：
其中，fs为采样频率。
根据公式6就可以将序列{Ehs(k)}转换为序列{Ehs(t)}。
需要说明的是，为防止形成的序列{Ehs(t)}中有条目缺失，因此对{Ehs(t)}中缺失的条目用上一个非缺失条目进行补充，确保形成序列的完整性，与心音分段的准确性。
S13，计算所述子平均高阶香农熵序列的平均值和标准差，并采用所述子平均高阶香农熵序列、所述平均值和所述标准差计算所述预处理心音信号的归一化平均高阶香农熵；
S14，将所述平均高阶香农熵作为所述归一化心音信号的包络，得到心音包络信号。
在本发明实施例中，子平均高阶香农熵通过公式7进行计算可得到整个归一化心音信号的归一化平均高阶香农熵Phs(t)，归一化平均高阶香农熵可作为归一化心音信号的包络，以生成心音包络信号：
其中，M(Ehs(t))为{Ehs(t)}的平均值；S(Ehs(t))为{Ehs(t)}的标准差。
如图3所示的心音包络图，即为用归一化平均高阶香农熵作为归一化心音信号的包络得到的心音包络信号。
步骤204，采用预设的第一阈值和第二阈值，在所述心音包络信号中确定所述第一心音信号或所述第二心音信号的起始时间点和终止时间点；
通过巴特沃斯滤波器对心音信号进行预处理，并进行心音包络提取处理后，可以得到平滑的心音包络。包络峰值可以反映第一心音信号和第二心音信号的位置。为了实现包络分段，需要确定第一心音信号、收缩期心音信号、第二心音信号和舒张期心音信号的边界，时间门的形式可以体现心音的能量分布，在本发明实施例中，时间门的起点与终点基本可以作为第一心音与第二心音起止点的参考点。因此可以以时间门的形式来体现心音包络的能量分布，并对第一心音与第二心音的起止点进行确定。本发明实施例采用预设的第一阈值和第二阈值，来确定第一心音信号或第二心音信号的起始时间点和终止时间点，进而构造第一心音信号和第二心音信号的时间门。
具体地，本发明实施例确定第一心音信号或第二心音信号的起始时间点和终止时间点的过程如下：
以所述心音包络信号中，幅值为所述第一阈值的点的时间为基准时间点，获取所述基准时间点一侧幅值为所述第二阈值的点的时间为起始时间点；
获取所述基准时间点另一侧幅值为所述第二阈值的点的时间为终止时间点；其中，所述起始时间点小于所述终止时间点。
第一阈值大于第二阈值，第一阈值主要用于抑制噪声和杂音信号对搜索边界的影响。第二阈值主要用于确定第一心音信号或第二心音信号的起始时间点和终止时间点。
将心音包络信号中，幅值为第一阈值的点的时间为基准时间点，向前进行搜索，当搜索到幅值等于第二阈值的点时，将该点设置为第一心音信号或第二心音信号的起始时间点。
在基准时间点处，向后进行搜索，当搜索到幅值等于第二阈值的点时，将该点设置为第一心音信号或第二心音信号的终止时间点。
需要说明的是，为了防止心音包络信号毛刺对起始时间点和终止时间点的影响，在一个示例中，在搜索到幅值等于第二阈值的点的时候，继续进行搜索，判断给定时间段内是否出现另一个幅值等于第二阈值的点，若无，以之前搜索到的点作为起始时间点或终止时间点。若有，以新的等于第二阈值的点为起点，重复执行往前搜索的操作，直到满足给定时间段内未出现另一个等于第二阈值的点为止。
需要说明的是，心音包络信号上幅值满足第一阈值和第二阈值的点不止一个，因此在本发明实施例中，确定的起始时间点和终止时间点也不止一个，相应地，构成而成的时间门也不止一个，本发明实施例正是通过多个时间门实现心音分段的技术效果。
步骤205，将从所述起始时间点到所述终止时间点之间的所述心音包络信号的幅值设置为预设的第三阈值，将未设置为所述第三阈值的所述心音包络信号的幅值设置为预设的第四阈值，采用所述第三阈值和所述第四阈值进行分段。
在本发明实施例中，设置第三阈值为1，设置第四阈值为0，将起始时间点和终止时间点之间的包络段的幅值设置为1，将终止时间点与下一个起始时间点之间的包络段设置为0，即可构造第一心音信号和第二心音信号的时间门，从而形成如图3中的包络分段图，完成包络分段。
为方便本领域技术人员理解本发明实施例，下面通过具体示例对本发明实施例构造时间门的流程进行说明：
图4为本发明实施例构造时间门的流程图，具体流程如下：
当开始构造时间门时，首先设置包络阈值，包括第一阈值和第二阈值；判断包络幅值是否等于第一阈值，若是，则以包络幅值等于第一阈值的点为基准点，分别向前和向后搜索，当搜索到幅值等于第二阈值的点时，将向前搜索到的点确定为第一心音信号或第二心音信号的起始时间点，将向后搜索到的点确定为第一心音信号或第二心音信号的终止时间点。然后将同一个基准点前后搜索到的起始时间点和终止时间点之间置1，将终止时间点与下一个起始时间点之间置0，以构造时间门。
本发明在采用香农熵法提取心音包络信号之前，先采用巴特沃斯滤波器对初始心音信号进行滤波，通过巴特沃斯滤波器消除噪声与杂音，避免噪声和杂音对包络提取的影响，使得通过香农熵法进行包络提取时能够得到平滑分布、可识别性高的心音包络信号；再通过获取第一心音信号和第二心音信号的起始时间点和终止时间点，完成心音分段，提高了分段的准确率。
请参阅图5，图5为本发明实施例提供的一种基于巴特沃斯滤波器与香农熵法的心音分段装置的结构框图。
本发明提供的一种基于巴特沃斯滤波器与香农熵法的心音分段装置，包括：
初始心音信号获取模块501，用于获取初始心音信号；
预处理心音信号生成模块502，用于采用所述巴特沃斯滤波器对所述初始心音信号进行滤波，得到预处理心音信号；
心音包络信号生成模块503，用于采用所述香农熵法对所述预处理心音信号进行包络提取，得到心音包络信号；所述心音包络信号包括第一心音信号和第二心音信号；
起始时间点和终止时间点确定模块504，用于采用预设的第一阈值和第二阈值，在所述心音包络信号中确定所述第一心音信号或所述第二心音信号的起始时间点和终止时间点；
分段模块505，用于采用所述起始时间点和所述终止时间点对所述心音包络信号进行分段。
在本发明实施例中，所述心音包络信号生成模块503，包括：
归一化心音信号生成子模块，用于归一化所述预处理心音信号，得到归一化心音信号；所述归一化心音信号包括多个子归一化心音信号；
子平均高阶香农熵序列生成子模块，用于分别计算每个所述子归一化心音信号的子平均高阶香农熵，生成子平均高阶香农熵序列；
归一化平均高阶香农熵计算子模块，用于计算所述子平均高阶香农熵序列的平均值和标准差，并采用所述子平均高阶香农熵序列、所述平均值和所述标准差计算所述预处理心音信号的归一化平均高阶香农熵；
心音包络信号获取子模块，用于将所述归一化平均高阶香农熵作为所述归一化心音信号的包络，得到心音包络信号。
在本发明实施例中，所述归一化心音信号生成子模块，包括：
采样点数确定单元，用于分别对每个所述子归一化心音信号进行采样，确定每个所述子归一化心音信号的采样点数；
重叠采样点数统计单元，用于统计每个所述子归一化心音信号的重叠采样点数；
子平均高阶香农熵计算单元，用于分别采用每个所述子归一化心音信号的采样点数，和每个所述子归一化心音信号的重叠采样点数，计算每个所述子归一化心音信号的子平均高阶香农熵；
子平均高阶香农熵序列生成单元，用于采用多个所述子归一化心音信号的子平均高阶香农熵生成子平均高阶香农熵序列。
在本发明实施例中，所述起始时间点和终止时间点确定模块504，包括：
起始时间点确定子模块，用于以所述心音包络信号中，幅值为所述第一阈值的点的时间为基准时间点，获取所述基准时间点一侧幅值为所述第二阈值的点的时间为起始时间点；
终止时间点确定子模块，用于获取所述基准时间点另一侧幅值为所述第二阈值的点的时间为终止时间点；其中，所述起始时间点小于所述终止时间点。
在本发明实施例中，所述分段模块505，包括：
分段子模块，用于将从所述起始时间点到所述终止时间点之间的所述心音包络信号的幅值设置为预设的第三阈值，将未设置为所述第三阈值的所述心音包络信号的幅值设置为预设的第四阈值，采用所述第三阈值和所述第四阈值进行分段。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于巴特沃斯滤波器与香农熵法的心音分段方法，其特征在于，包括：
获取初始心音信号；
采用所述巴特沃斯滤波器对所述初始心音信号进行滤波，得到预处理心音信号；
采用所述香农熵法对所述预处理心音信号进行包络提取，得到心音包络信号；所述心音包络信号包括第一心音信号和第二心音信号；
采用预设的第一阈值和第二阈值，在所述心音包络信号中确定所述第一心音信号或所述第二心音信号的起始时间点和终止时间点；
采用所述起始时间点和所述终止时间点对所述心音包络信号进行分段。
2.根据权利要求1所述的方法，其特征在于，所述采用所述香农熵法对所述预处理心音信号进行包络提取，得到心音包络信号的步骤，包括：
归一化所述预处理心音信号，得到归一化心音信号；所述归一化心音信号包括多个子归一化心音信号；
分别计算每个所述子归一化心音信号的子平均高阶香农熵，生成子平均高阶香农熵序列；
计算所述子平均高阶香农熵序列的平均值和标准差，并采用所述子平均高阶香农熵序列、所述平均值和所述标准差计算所述预处理心音信号的归一化平均高阶香农熵；
将所述归一化平均高阶香农熵作为所述归一化心音信号的包络，得到心音包络信号。
3.根据权利要求2所述的方法，其特征在于，所述分别计算每个所述子归一化心音信号的子平均高阶香农熵，生成子平均高阶香农熵序列的步骤，包括：
分别对每个所述子归一化心音信号进行采样，确定每个所述子归一化心音信号的采样点数；
统计每个所述子归一化心音信号的重叠采样点数；
分别采用每个所述子归一化心音信号的采样点数，和每个所述子归一化心音信号的重叠采样点数，计算每个所述子归一化心音信号的子平均高阶香农熵；
采用多个所述子归一化心音信号的子平均高阶香农熵生成子平均高阶香农熵序列。
4.根据权利要求1所述的方法，其特征在于，所述采用预设的第一阈值和第二阈值，在所述心音包络信号中确定所述第一心音信号或所述第二心音信号的起始时间点和终止时间点的步骤，包括：
以所述心音包络信号中，幅值为所述第一阈值的点的时间为基准时间点，获取所述基准时间点一侧幅值为所述第二阈值的点的时间为起始时间点；
获取所述基准时间点另一侧幅值为所述第二阈值的点的时间为终止时间点；
其中，所述起始时间点小于所述终止时间点。
5.根据权利要求1所述的方法，其特征在于，所述采用所述起始时间点和所述终止时间点对所述心音包络信号进行分段的步骤，包括：
将从所述起始时间点到所述终止时间点之间的所述心音包络信号的幅值设置为预设的第三阈值，将未设置为所述第三阈值的所述心音包络信号的幅值设置为预设的第四阈值，采用所述第三阈值和所述第四阈值对所述心音包络信号进行分段。
6.一种基于巴特沃斯滤波器与香农熵法的心音分段装置，其特征在于，包括：
初始心音信号获取模块，用于获取初始心音信号；
预处理心音信号生成模块，用于采用所述巴特沃斯滤波器对所述初始心音信号进行滤波，得到预处理心音信号；
心音包络信号生成模块，用于采用所述香农熵法对所述预处理心音信号进行包络提取，得到心音包络信号；所述心音包络信号包括第一心音信号和第二心音信号；
起始时间点和终止时间点确定模块，用于采用预设的第一阈值和第二阈值，在所述心音包络信号中确定所述第一心音信号或所述第二心音信号的起始时间点和终止时间点；
分段模块，用于采用所述起始时间点和所述终止时间点对所述心音包络信号进行分段。
7.根据权利要求6所述的装置，其特征在于，所述心音包络信号生成模块，包括：
归一化心音信号生成子模块，用于归一化所述预处理心音信号，得到归一化心音信号；所述归一化心音信号包括多个子归一化心音信号；
子平均高阶香农熵序列生成子模块，用于分别计算每个所述子归一化心音信号的子平均高阶香农熵，生成子平均高阶香农熵序列；
归一化平均高阶香农熵计算子模块，用于计算所述子平均高阶香农熵序列的平均值和标准差，并采用所述子平均高阶香农熵序列、所述平均值和所述标准差计算所述预处理心音信号的归一化平均高阶香农熵；
心音包络信号获取子模块，用于将所述归一化平均高阶香农熵作为所述归一化心音信号的包络，得到心音包络信号。
8.根据权利要求7所述的装置，其特征在于，所述归一化心音信号生成子模块，包括：
采样点数确定单元，用于分别对每个所述子归一化心音信号进行采样，确定每个所述子归一化心音信号的采样点数；
重叠采样点数统计单元，用于统计每个所述子归一化心音信号的重叠采样点数；
子平均高阶香农熵计算单元，用于分别采用每个所述子归一化心音信号的采样点数，和每个所述子归一化心音信号的重叠采样点数，计算每个所述子归一化心音信号的子平均高阶香农熵；
子平均高阶香农熵序列生成单元，用于采用多个所述子归一化心音信号的子平均高阶香农熵生成子平均高阶香农熵序列。
9.根据权利要求6所述的装置，其特征在于，所述起始时间点和终止时间点确定模块，包括：
起始时间点确定子模块，用于以所述心音包络信号中，幅值为所述第一阈值的点的时间为基准时间点，获取所述基准时间点一侧幅值为所述第二阈值的点的时间为起始时间点；
终止时间点确定子模块，用于获取所述基准时间点另一侧幅值为所述第二阈值的点的时间为终止时间点；其中，所述起始时间点小于所述终止时间点。
10.根据权利要求6所述的装置，其特征在于，所述分段模块，包括：
分段子模块，用于将从所述起始时间点到所述终止时间点之间的所述心音包络信号的幅值设置为预设的第三阈值，将未设置为所述第三阈值的所述心音包络信号的幅值设置为预设的第四阈值，采用所述第三阈值和所述第四阈值对所述心音包络信号进行分段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010435150.0A CN111528900A (zh) | 2020-05-21 | 2020-05-21 | 基于巴特沃斯滤波器与香农熵法的心音分段方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010435150.0A CN111528900A (zh) | 2020-05-21 | 2020-05-21 | 基于巴特沃斯滤波器与香农熵法的心音分段方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111528900A true CN111528900A (zh) | 2020-08-14 |
Family
ID=71974322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010435150.0A Pending CN111528900A (zh) | 2020-05-21 | 2020-05-21 | 基于巴特沃斯滤波器与香农熵法的心音分段方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111528900A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112185545A (zh) * | 2020-09-17 | 2021-01-05 | 苏州美糯爱医疗科技有限公司 | 一种心音段完整性判断模型及心音自适应分段方法 |
| CN113066502A (zh) * | 2021-03-11 | 2021-07-02 | 电子科技大学 | 基于vmd和多小波的心音分割定位方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103948398A (zh) * | 2014-04-04 | 2014-07-30 | 杭州电子科技大学 | 适用于Android系统的心音定位分段方法 |
| CN104367344A (zh) * | 2014-10-10 | 2015-02-25 | 广东工业大学 | 一种基于香农包络的胎儿瞬时心率检测方法及装置 |
| CN104688213A (zh) * | 2015-02-15 | 2015-06-10 | 四川长虹电器股份有限公司 | 一种心音信号分段方法 |
| CN105105734A (zh) * | 2015-09-11 | 2015-12-02 | 深圳先进技术研究院 | 一种基于心音信号的无创连续血压测量方法、装置及系统 |
| CN105787946A (zh) * | 2016-03-17 | 2016-07-20 | 广东工业大学 | 一种非负盲分离胎心音分析方法及装置 |
| CN107798350A (zh) * | 2017-11-08 | 2018-03-13 | 华南师范大学 | 一种心肺音信号识别方法和系统 |
| CN108742697A (zh) * | 2018-05-29 | 2018-11-06 | 深圳市太空科技南方研究院 | 心音信号分类方法及终端设备 |
| CN110491504A (zh) * | 2019-08-22 | 2019-11-22 | 北京蓝卫通科技有限公司 | 一种心音信号医学指标数据的获取方法 |
-
2020
- 2020-05-21 CN CN202010435150.0A patent/CN111528900A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103948398A (zh) * | 2014-04-04 | 2014-07-30 | 杭州电子科技大学 | 适用于Android系统的心音定位分段方法 |
| CN104367344A (zh) * | 2014-10-10 | 2015-02-25 | 广东工业大学 | 一种基于香农包络的胎儿瞬时心率检测方法及装置 |
| CN104688213A (zh) * | 2015-02-15 | 2015-06-10 | 四川长虹电器股份有限公司 | 一种心音信号分段方法 |
| CN105105734A (zh) * | 2015-09-11 | 2015-12-02 | 深圳先进技术研究院 | 一种基于心音信号的无创连续血压测量方法、装置及系统 |
| CN105787946A (zh) * | 2016-03-17 | 2016-07-20 | 广东工业大学 | 一种非负盲分离胎心音分析方法及装置 |
| CN107798350A (zh) * | 2017-11-08 | 2018-03-13 | 华南师范大学 | 一种心肺音信号识别方法和系统 |
| CN108742697A (zh) * | 2018-05-29 | 2018-11-06 | 深圳市太空科技南方研究院 | 心音信号分类方法及终端设备 |
| CN110491504A (zh) * | 2019-08-22 | 2019-11-22 | 北京蓝卫通科技有限公司 | 一种心音信号医学指标数据的获取方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112185545A (zh) * | 2020-09-17 | 2021-01-05 | 苏州美糯爱医疗科技有限公司 | 一种心音段完整性判断模型及心音自适应分段方法 |
| CN112185545B (zh) * | 2020-09-17 | 2024-03-12 | 苏州美糯爱医疗科技有限公司 | 一种心音段完整性判断模型及心音自适应分段方法 |
| CN113066502A (zh) * | 2021-03-11 | 2021-07-02 | 电子科技大学 | 基于vmd和多小波的心音分割定位方法 |
| CN113066502B (zh) * | 2021-03-11 | 2022-07-26 | 电子科技大学 | 基于vmd和多小波的心音分割定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
| CN106108889A (zh) | 基于深度学习算法的心电图分类方法 | |
| CN108143407A (zh) | 一种自动提取心音包络特征的心音分段方法 | |
| Sedighian et al. | Pediatric heart sound segmentation using Hidden Markov Model | |
| CN111317499A (zh) | 一种基于小波技术的心音信号处理方法 | |
| CN111528900A (zh) | 基于巴特沃斯滤波器与香农熵法的心音分段方法和装置 | |
| CN101919704A (zh) | 一种心音信号定位、分段方法 | |
| CN111493821B (zh) | 一种基于modwt及中值滤波的ppg信号实时去噪方法 | |
| CN113796889A (zh) | 一种基于深度学习的辅助电子听诊器信号判别方法 | |
| Deperlioglu | Segmentation of heart sounds by re-sampled signal energy method | |
| CN113243902B (zh) | 一种基于光电容积脉搏波的特征提取方法 | |
| CN114027804A (zh) | 一种脉象诊断的方法、装置及可读存储介质 | |
| CN113705448A (zh) | 一种区分主动脉瓣狭窄心音与正常心音方法、装置及系统 | |
| Zhong et al. | Heart murmur recognition based on hidden Markov model | |
| Huang et al. | ECG baseline wander correction based on ensemble empirical mode decomposition with complementary adaptive noise | |
| CN110491504B (zh) | 一种心音信号医学指标数据的获取方法 | |
| CN106725487A (zh) | 一种呼吸率提取方法及装置 | |
| Golpaygani et al. | Detection and identification of S1 and S2 heart sounds using wavelet decomposition method | |
| CN115040135A (zh) | 一种基于心电心音的儿童心血管疾病诊断方法 | |
| Yue et al. | Time-frequency analysis of heart sounds in telemedicine consulting system for auscultation | |
| Ozkan et al. | Improved segmentation with dynamic threshold adjustment for phonocardiography recordings | |
| Sundaram et al. | Discriminating normal phonocardiogram from artifact using a multiscale entropy technique | |
| WO2018023698A1 (zh) | 一种胎儿心电分离方法及装置 | |
| Sh-Hussain et al. | Application of multipoint auscultation for heart sound diagnostic system (MAHDS) | |
| CN112401924B (zh) | 一种心音分割方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |